本篇文章是对CVPR会议上几篇有关多任务学习研究论文的综述和分析，旨在探讨不同模型在多任务场景下的应用与挑战。
以下是关于CVPR多任务学习的论文笔记整理：
一、 多任务课程学习（Curriculum Learning of Multiple Tasks），发表于2015年和2016年的CVPR。
二、 词典对分类器驱动卷积神经网络进行对象检测(Dictionary Pair Classifier Driven Convolutional Neural Networks for Object Detection)。
三、 用于同时检测和分割的多尺度贴片聚合（MPA）(Multi-scale Patch Aggregation (MPA) for Simultaneous Detection and Segmentation ∗ )。
四、 通过多任务网络级联实现感知语义分割（Instance-aware Semantic Segmentation via Multi-task Network Cascades）。
五、 十字绣网络多任务学习(Cross-stitch Networks for Multi-task Learning)。
六、 多任务相关粒子滤波器用于鲁棒物体跟踪(Multi-Task Correlation Particle Filter for Robust Object Tracking)，发表于2016年和2017年的CVPR。
七、 在人物属性分类中应用多任务网络中的全自适应特征共享(Fully-Adaptive Feature Sharing in Multi-Task Networks With Applications in Person Attribute Classification)。
八、 超越triplet loss：一个深层次的四重网络，用于人员重新识别(Beyond triplet loss: a deep quadruplet network for person re-identification)。
九、 弱监督级联卷积网络(Weakly Supervised Cascaded Convolutional Networks)。
十、 从单一图像深度联合雨水检测和去除（Deep Joint Rain Detection and Removal from a Single Image）。
十一、什么可以帮助行人检测？ (What Can Help Pedestrian Detection? 将额外的特征聚合到基于CNN的行人检测框架)
十二、人员搜索中的联合检测与识别特征学习(Joint Detection and Identification Feature Learning for Person Search)。
十三、UberNet：使用多种数据集和有限内存训练用于低，中，高级视觉的通用卷积神经网络(UberNet: Training a Universal Convolutional Neural Network for Low-, Mid-, and High-Level Vision using Diverse Datasets and Limited Memory)。
5星
